（土壤学专业论文）基于高光谱信息的橡胶树叶片氮素营养快速检测技术研究.pdf

海南大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作 所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发 表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明 确方式标明。本声明的法律结果由本人承担。 论文作者签名砾贝盟铋 日期：w l o 刍：f 月“日 学位论文版权使用授权说明 本人完全了解海南大学关于收集、保存、使用学位论文的规定，即：学校有权保留 并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授 权海南大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影 印、缩印或扫描等复制手段保存和汇编本学位论文。本人在导师指导下完成的论文成果， 知识产权归属海南大学和中国热带农业科学院。 保密论文在解密后遵守此规定。 新虢泓 日期： 7 , , t o 年，月栌日 本人已经认真阅读“c a l i s 高校学位论文全文数据库发布章程”，同意将本人 的学位论文提交“c a l i s 高校学位论文全文数据库”中全文发布，并可按“章程中规 定享受相关权益。回童途塞堡銮后进压! 旦堂生i 旦= 生i 旦三生蕉鱼。 论文作者签名：际贮射 日期：纠d 年厂月日 导师签名：彩入 日期：m 口年f 月“同 摘要 氮素是橡胶树最重要的营养元素之一，与橡胶树的生长、产量有着密切的相关。适 时、快速且准确测定橡胶树叶片氮含量对橡胶树营养状况评价、产量估测以及实施变量 施肥具有重要意义。本文通过分析橡胶树叶片氮素光谱特征、建立预测模型，快速、准 确测定叶片氮含量，为橡胶树氮素营养遥感监测提供理论依据。 使用美国a s d 光谱仪以及高密度植被探头采集橡胶树叶片光谱信息，并测定叶片 全氮含量。通过分析光谱曲线，了解橡胶树叶片反射、吸收以及编码特征；分析叶片反 射光谱与氮含量的关系，确定橡胶树叶片氮素敏感波段，确定估算叶片氮含量的最佳比 值植被指数；以导数光谱数据提取橡胶树叶片“三边”特征，并分析其与叶片氮含量的 关系；利用反射率、吸光度、导数光谱为信息源，通过不同方法选择建模样品，建立 p l s r 模型，并评价模型。 结论如下：( 1 ) 橡胶树叶片具有明显区别于去离子水以及土壤的“峰”与“谷 的 光谱特征；反射光谱在4 6 5 n m 、5 3 8 n m 、6 6 3 n m 、7 3 0 n m 以及7 0 0 1 3 0 0 n m 等处与叶片 氮含量具有较高的相关性，相关性达到极显著水平；7 3 0 h m 处反射率与叶片氮含量相关 系数达0 8 4 2 2 极显著水平；确定反映橡胶树叶片氮含量的最佳比值植被 r v i ( r 1 2 9 8 r 7 4 0 ) ，并建立线性方程，y = 8 0 7 9 7 x 一5 9 5 8 2 ，r 2 = o 7 3 9 6 。( 2 ) 微分光谱 在5 5 7 n m 、6 3 5 n m 、1 4 0 9 n m 、1 7 4 4 n m 以及2 3 2 0 n m 处与叶片氮含量具有极显著相关性， 以7 1 4 n m 微分光谱与氮含量建立线性方程，r 2 达0 6 7 2 1 ；“三边 特征中 s d 刚d b s d y s d b d r 与氮含量具有极显著相关性，其中以红边积分面积变量与氮含量 建立的方程r 2 达o 6 3 以上，其他各变量相关性不显著。( 3 ) 导数光谱有利于降低p l s r 建模的成分数，减少计算量，促成模型的最佳拟合；建立的模型比对应的反射率以及吸 光度光谱模型更有利于建立稳健的光谱模型，并且模型具有更强的预测能力。( 4 ) 光谱主 成份网格选点法建立的模型预测能力高于随机选点以及氮含量梯度选点建立的模型；以 光谱主成分网格选点法建立的反射率导数以及吸光度导数光谱模型自我校正相关性高， 分别达0 9 8 0 7 、0 9 5 9 1 ，预测样品相关性为0 9 5 9 9 、0 9 4 9 2 ，预测标准差仅0 0 9 7 8 、0 1 0 6 1 ， 能够准确地预测橡胶树叶片氮含量。 关键词：橡胶树叶片氮光谱植被指数选点方法p l s r 模型预测 a bs t r a c t n i t r o g e ni so n eo f t h em o s ti m p o r t a n tn u t r i e n t so f r u b b e rt r e e ( h e v e ab r a s i l i e n s i s ) ，w h i c h i sc l o s e l yr e l a t e dw i t ht h eg r o w t ha n dy i e l do fr u b b e rt r e e r e a l - t i m e 、f a s ta n da c c u r a t e d e t e r m i n a t i o no fn i t r o g e nc o n t e n to fr u b b e rl e a fi sc r i t i c a lf o rp r e d i c t i o no fn u t r i t i o nd i a g n o s i s a n dp r e s c r i p t i o no fn i t r o g e nt o p d r e s s i n g i nt h i sp a p e r , p r e d i c t i o nm o d e lw a sb u i l db y a n a l y z i n gn i t r o g e ns p e c t r u mc h a r a c t e r i s t i c s ，a n dr e a l i z e d f a s ta n da c c u r a t ed e t e r m i n a t i n go f n i t r o g e nc o n t e n to fr u b b e rl e a f , p r o v i d e dat h e o r e t i c a lb a s i sf o rn i t r o g e nn u t r i t i o nr e m o t e s e n s i n gm o n i t o r i n g d e t e r m i n a t et o t a ln i t r o g e nc o n t e n to fr u b b e rl e a f s p e c t r a li n f o r m a t i o no fr u b b e rl e a f h a v eb e e nc o l l e c t e db ya m e r i c a na s d s p e c t r o m e t e ra n dh i g h - d e n s i t yv e g e t a t i o np r o b e b y a n a l y z i n gt h es p e c t r a lc h i v e ，k n e wt h er e f l e c t i o n - a b s o r p t i o na n dc o d i n gc h a r a c t e r i s t i c s ；b y a n a l y z i n gt h er e l a t i o n s h i po ft h er e f l e c t i o ns p e c t r u ma n dt h en i t r o g e nc o n t e n t ，d e f i n e dt h e s e n s i t i v eb a n do fn i t r o g e n ，d e f i n e dt h eb e s tr a t i ov e g e t a t i o ni n d e xf o re s t i m a t i n gn i t r o g e n c o n t e n to fr u b b e rl e a f ；e x t r a c t e dt r i l a t e r a lc h a r a c t e r i s t i c so fr u b b e rl e a fb yd a t ao fd e r i v a t i v e s p e c t r u m ，a n a l y z e dt h er e l a t i o n s h i po fc h a r a c t e r i s t i c sa n dn i t r o g e nc o n t e n t ；u s e ds p e c t r u m d a t a ( r e f l e c t a n c e 、a b s o r b a n c e 、f i r s td e r i v a t i v e ) a si n f o r m a t i o n 詈o u r c e ，s e l e c t e dm o d e l i n g s a m p l e sb yd i f f e r e n tm e t h o d s ，b u i l d e dm o d e l s ( p l s r ) a n de v a l u a t e di t r e s u l t ：( 1 ) r u b b e rl e a fh a so b v i o u s l ys p e c t r a lc h a r a c t e r i s t i c s p e a k ”a n d “v a l l e y ”w h i c h i sd i f f e r e n tf r o md e i o n i z e dw a t e ra n ds o i l ；r e f l e c t i o ns p e c t r u mi n4 6 5 n m ，5 3 8 n m ，6 6 3 n m ， 7 3 0 r i m 、7 0 0 13 0 0 n ma n dn i t r o g e nc o n t e n th a sah i g hc o r r e l a t i o n ，e x t r e m e l ys i g n i f i c a n t l e v e l ；t h ec o r r e l a t i o nb e t w e e nr e f l e c t i v i t yi n7 3 0 r i ma n dn i t r o g e nc o n t e n ti se x t r e m e l y , t h e m o d e l s c o e f f i c i e n to fc o r r e l a t i o n ( r ) r e a c h e d0 8 4 2 2 ；d e f i n e dt h eb e s tr a t i ov e g e t a t i o ni n d e x r v i ( r 12 9 8 r 7 4 0 ) f o re s t i m a t i n gn i t r o g e nc o n t e n to fr u b b e rl e a f , b u i l d e dl i n e a re q u a t i o n ，y = 8 0 7 9 7 x 5 9 5 8 2 ，r = 0 7 3 9 6 ；( 2 ) d i f f e r e n t i a ls p e c t r u mi n5 5 7 n m 、6 3 5 n m 、1 4 0 9 n m 、 1 7 4 4 n m 、2 3 2 0 n ma n dn i t r o g e nc o n t e n th a sah i g hc o r r e l a t i o n ，d i f f e r e n t i a ls p e c t i l l n li n7 1 4 n m a n dn i t r o g e nc o n t e n ti se x t r e m e l y , r zi s0 6 7 2 1 ；i n ”t r i l a t e r a l ”c h a r a c t e r i s t i c s ，d r 、d b 、s d y 、 s d b 、d ra n dn i t r o g e nc o n t e n th a sah i g hc o r r e l a t i o n ，b u i l d e dm o d e lw i t hr e de d g ei n t e g r a l a r e ao fv a r i a b l ea n dn i t r o g e nc o n t e n t ，r 2i s0 6 3 8 9 ，c o r r e l a t i o no fo t h e rv a r i a b l ei sn o tv e r y i i s i g n i f i c a n t l y ；( 3 ) d e r i v a t i v es p e c t r u mi sh e l pf o rl o w e rt h en u m b e r o fc o m p o s i t i o n ，r e d u c et h e c o m p u t a t i o n a l ，f a c i l i t a t et h eb e s tf i t t i n go ft h em o d e l ；( 4 ) d e r i v a t i v es p e c t r u m m o d e li sm o r e s t a b l et ot h er e f l e c t i o n a b s o r p t i o ns p e c t r u mm o d e l s ，a n dt h ep r e d i c t i v ep o w e ri ss t r e n g t h e n ； t h ep r e d i c t i v ep o w e ro ft h em o d e lb u i l d e db yp c a g r i dm e t h o di ss t r e n g t ht h a nt h em o d e l s b u i l d e db yr a n d o ma n dc o n t e n tg r a d s ；t h er e f l e c t i o n - a b s o r p t i o nd e r i v a t i v es p e c t r u mm o d e l s b u i l d e db yp c a g r i dm e t h o dh a sah i g hc o r r e l a t i o ni ns e l f - c o r r e c t i n g ，w e r e0 9 8 0 7 、0 9 5 9 1 ， p r e d i c t i o ns a m p l e sri s0 9 5 9 9 、0 9 4 9 2 ，p r e d i c t i o ns t a n d a r d d e v i a t i o nw e r e0 0 9 7 8 、 o 1 0 6 1 ，w h i c hc a na c c u r a t l yp r e d i c tt h en i t r o g e nc o n t e n to f r u b b e rl e a f k e yw o r d s ：l e a fo fh e v r ab r a s i l i e n s i s ；n i t r o g e n ；s p e c t r u m ；v e g e t a t i o ni n d e x ；s e l e c t e d p o i n t sm e t h o d ；m o d e l s ( p l s r ) ；p r e d i c t m 目录 摘要。i a b s t r a c t i i 目蜀匙。i v l 前言。1 1 1 研究目的意义。l 1 2 作物氮素营养诊断方法2 1 2 1 化学诊断一2 1 2 2 外观诊断法2 1 2 3 叶绿素计诊断法2 1 2 4 计算机视觉技术3 1 3 基于光谱分析的检测技术3 1 3 1 光谱分析3 1 3 2 光谱分析技术在农产品上的应用。4 1 3 3 光谱分析技术在土壤中的应用4 1 3 4 光谱分析技术在植物鲜叶上的应用4 1 4 高光谱遥感在作物氮监测上的应用5 1 4 1 高光谱遥感基本原理。5 1 4 2 高光谱遥感作物氮营养监测上的应用j 5 2 研究内容与方法7 2 1 技术路线7 2 2 研究内容7 2 2 1 橡胶树叶片氮素光谱特征7 2 2 2 橡胶树叶片氮素快速检测7 2 3 试验设计与材料8 2 4 测试方法。8 2 4 1 光谱仪介绍8 2 4 2 光谱仪器参数设置8 2 4 3 光谱采集9 2 4 4 化学分析。l o 3 橡胶树叶片光谱特征1 2 3 1 橡胶树叶片光谱反射与吸收特征1 2 3 1 1 橡胶树叶片光谱反射特征1 2 3 1 2 橡胶树叶片光谱吸收特征1 3 3 1 3 橡胶树叶片高光谱编码特征1 5 i v 3 2 橡胶树叶片氮素光谱特征1 6 3 2 1 橡胶树叶片氮含量与反射光谱的关系l6 3 2 2 橡胶树叶片氮含量与反射光谱参数的关系l8 3 2 3 橡胶树叶片氮含量与最佳比值植被指数2 0 3 2 4 讨论2 3 3 3 橡胶树叶片微分光谱特征2 4 3 3 1 微分光谱2 4 3 3 2 橡胶树叶片氮含量与微分光谱的相关性2 5 3 3 3 橡胶树叶片氮含量与“三边变量”的关系2 6 3 3 4 讨论2 9 4 橡胶树叶片氮素光谱模型一。3 0 4 1 建模方法3 0 4 1 1 建模基本技术路线3 0 4 1 2 开源策略与主成分网格选点3 0 4 1 3 偏最小二乘法( p l s r ) 31 4 2 橡胶树叶片氮素光谱模型的建立3 2 4 2 1 光谱数据预处理3 2 4 2 2 选点方法3 2 4 2 3p l s r 模型成分数的确定3 3 4 2 4 模型的建立3 4 4 3 橡胶树叶片氮素光谱模型比较3 5 4 3 1 不同光谱信息模型的p l s 成分数比较3 5 4 3 2 不同光谱信息模型预测能力比较3 6 4 3 3 不同选点方法建立的导数光谱模型比较3 8 4 4 讨论3 9 5 结论。4 l 参考文献。4 2 v 1 前言 1 1 研究目的意义 研究组织( i r s g ) 专家指出，中国橡胶工业在整体经济和世界橡胶产业中 具有战略重要性。面对天然橡胶树的生长特性以及我国地理条件的限制，必须通 过提高橡胶生产力、科技含量来提高橡胶的产量，全面提升天然橡胶的科技水平 以及与生产水平。 橡胶树( h e v e ab r a s i l i e n s i s ) 作为我国重要的战略物质天然橡胶的生产源， 其营养状况直接关系到天然橡胶的产量、产胶质量以及树体产胶年限等。氮素是 橡胶树最重要的营养元素之一，与橡胶树的生长、产量有着密切的相关。了解橡 胶树氮素营养情况对橡胶树营养状况评价、产量估测以及实施变量施肥具有重要 意义。因此，准确、迅速、经济地判断以及大面积估测橡胶树的氮素状况，确定 橡胶树的氮肥需要量以及提高氮肥的利用效率，对橡胶生产具有重要意义。 传统的橡胶树氮素营养诊断方法主要是基于叶片组织的室内实验室分析。这 些分析普遍要求破坏橡胶树叶片样本，而且从采集样本、烘干、研磨、称重直至 分析测试都需消耗大量的时间、人力和物力，还要使用有危害性的药品。由于花 费时间过长，以至于测试结果不具有适时性，同时实验室分析需要具有经验的专 业分析人员和大量的分析试剂与仪器设备，这些方法无法满足我们对大量橡胶树 营养状况适时检测的要求。随着各种新兴科学技术的迅猛发展，传统的分析方法 一定程度上阻碍了数字橡胶的发展。这一背景下，快速、高效、精确检测的技术 成为必然的发展趋势。 光谱分析技术作为快速、高效、精确检测的技术，在橡胶树上的应用目前尚 未报道。研究高光谱遥感以及光谱快速检测技术在橡胶树叶片氮素营养状况检测 的应用具有重要意义，技术的实现将大大减少橡胶树的采样、分析工作，并节约 大量实验室资源，可弥补传统氮素营养诊断的不足，为大面积橡胶树营养估测提 供了快速、高效的检测方法，同时技术的实现将满足数字橡胶对海量数据的需求， 为橡胶树精准施肥的实施提供强有力的保证。因此，本项目的研究具有重要的理 论意义和应用价值。 1 2 作物氮素营养诊断方法 1 2 1 化学诊断 化学分析诊断是通过测定植株体内的氮素含量水平，通过与正常或异常植株 标本进行直接比较而作出丰缺判蚓1 1 。植物化学分析诊断法是判断植株营养丰缺 状况最可靠、最经典的方法之二，通过对植株体内的养分进行诊断，了解植株的 生长和营养状况，并以此作为田间施肥决策管理的依据。植株氮素诊断成功用于 指导棉花【2 1 、小麦【3 1 、玉米【4 】等多种作物的生产。以节果和梨树的叶片氮素分析 结果，根据目标产量、生产单位果品需要养分量对果园实施平衡施肥，取得了很 好的效果【5 ，6 。 化学分析普遍要求破坏植物样本，而且从采集样本、烘干、研磨、称重直至 分析测试都需消耗大量的时间、人力和物力，还要使用有危害性的药品。对于氮 素变化周期较短的作物由于花费时间过长，以至于测试结果不具有适时性，同时 实验室分析需要具有经验的专业分析人员和大量的分析试剂与仪器设备。 1 2 2 外观诊断法 当作物缺乏某种元素时，一般都在形态上表现出某些特有的症状，形态诊断 就是根据作物的外观特定症状判断作物氮素丰缺状况。当作物吸收的氮素处于正 常、不足或过多时都会引起作物外部形态如叶的形状、叶片大小和叶片颜色等方 面的变化。缺氮的症状为：植株下部叶片发生黄化或有红色斑尉7 1 ，生长缓慢， 植株矮小：氮素过多的症状为：植株徒长、节间长、叶色嫩绿、贪青晚熟【8 1 。 我国劳动人民在长期的生产实践中积累了大量的观看作物长相进行田间管 理的经验。为了方便田间的快速诊断，陶勤南等一j 根据空间均匀颜色和色差公式 研制了水稻标准叶色卡，用叶色卡判定氮素营养水平的高低。比色卡法具有操作 简单、快速、直观等优点。 在植株仅缺乏一种营养元素的状况下植株外部形态的诊断方法有效，但是当 植株同时缺乏两种或两种以上营养元素或出现非营养因素( 药害、生理病害等) 而 引起症状时容易造成症状的混淆，即使有经验的人也可能误判和误诊。再者，植 株出现某种缺素症状时，表明植物缺素状况已相当严重，此时再采取补救措施已 为时已晚【1 0 】。因此，症状诊断在实际应用上存在明显的局限性。 1 2 3 叶绿素计诊断法 随着科学技术的发展，一些具有智能化和信息化的测试技术得到发展，植株 氮素诊断逐步向依据作物生长状况的植株营养诊断发展，为了便于田间生长作物 氮素营养状况的快速诊断，日本研发生产了手持式s p a d 5 0 2 型叶绿素计i i l l ，其 原理是基于对红光的强烈吸收和对远红外光的低吸收，具有操作简单、数掘获取 迅速、不需要耗材、对植株和环境没有负作用等优点。 有研究结果表明，一种手持式叶绿素仪可以用来估计作物氮营养状态和进行 氮肥推荐【1 2 】，并且已在棉花【1 3 】、水稻、大麦【1 4 】等多种作物上获得应用。但易受 各种环境胁迫、植株密度及营养状态等因素影响，这使得s p a d 值只能确定特定 生长阶段的氮素需求水平【l4 1 。此外，s p a d 读数受光辐射照度的影响较大，且该 方法有必须接触测定和大范围测定工作量较大的缺点。 1 2 4 计算机视觉技术 随着计算机技术的发展，图像分析的技术方法越来越成熟，而且计算机图像 有比人眼精细的分辨能力，因此计算机图像处理和图像分析的方法也逐步被用于 作物长势诊断u s 。早在1 9 7 0 年就出现了用图像的方法研究作物长势的方法，但 是当时的图像是采用的印刷蓝刚1 6 l 。近年来，图像处理技术也用来进行营养分 析【17 1 。张彦娥等【1 5 】利用叶片图像r g b 和h s i 颜色模型提取叶片氮含量，结果表 明叶片绿色分量g 和色度h 分量与氮含量线性相关，雷咏雯等【1 8 l 通过摄棉花冠 层图片，分析认为b ( r + g ) 模型可以灵敏的反映棉花体内氮素营养状况的变化， 可以作为叶色分析进行氮素营养诊断的指标。 计算机视觉诊断本质上是叶色诊断的深入，通过借用计算机分辨能力对叶片 颜色进行数字化分析，但是计算机视觉技术在不同光照条件以及不同拍摄角度等 情况下对诊断结果都有不可估量的误差或错误，存在一定的局限性。 一：。v ， 1 3 基于光谱分析的检测技术 1 3 1 光谱分析 现代光谱技术是建立在现代电子技术、光谱分析技术、计算机技术和化学计 量技术的集合体，在特定波长范围内，特定的原子群( 如水分、脂肪、蛋白质等) 均有其相应的特征吸收波长而且符合比尔定律。因此，可以通过测定样品对某一 特殊波长光的吸收值，来计算对应的原子群( 成分) 的聚集度( 百分含量) 。近 些年，随着仪器制造技术的发展，新的光谱理论和光度分析新方法不断建立f 悖】， 特别是化学计量学的深入研究和广泛使用，促进了近红外光谱分析技术的进一步 发展。近年来光谱分析作为一种高新分析技术受关注的程度越来越高【2 们，例如 在2 0 0 0 年匹兹堡会议上一些农业分析学家甚至认为近红外光谱分析具有解决全 球农业分析的潜力。 从光谱分析法的原理上，可以用“多、快、好、省”来形容光谱分析的特点。 “多”：是指光谱的信息量极为丰富，几乎包含全部含氢基团的有关特征信息， 因此大多数农产品品质分析指标如蛋白质、脂肪、糖类、氨基酸等化学指标以及 如硬度、沉降值等物理量指标均可用近红外光谱进行分析；“快”：是指光透过样 品的能力强，可以对粉末状、颗粒状、片状甚至单颗粒等样品进行非破坏性分析、 无损分析、在线分析、原位分析等，制样速度快，分析速度快；“好”：是指光子 能量低，不易对分子的结构产生影响，因此近红外光不会对待测量样品产生破坏 和污染，更不会对人体产生伤害，属于一种绿色分析技术；“省”：是光谱分析应 用多元校正的数学模型实现，分析时不消耗试剂、速度快、分析成本低【2 。 1 3 2 光谱分析技术在农产品上的应用 2 0 世纪6 0 年代，美国的n o r r i s 等【2 2 】首先开始研究应用近红外光谱分析技术 测定谷物中的水分、蛋白质、脂肪等含量，并致力于其他农产品品质的研究。此 后，学者们开始应用近红外光谱分析技术对农产品食品品质进行研究。主要的 研究对象有水果冽、谷物【2 4 】、畜肉类盼2 6 1 、乳制品【2 7 2 8 】等。随着近红外光谱分 析技术和化学计量学的不断发展，国外学者们开始对农产品食品品质进行在线 检测研究，国内在这方面的研究尚处于起步阶段。 1 3 3 光谱分析技术在土壤中的应用 土壤中各养分含量常被作为指导施肥的一个重要指标，快速且准确的测定土 壤中个养分含量对于农业生产、指导变量施肥具有重要意义。y o n gh e 掣2 9 1 采用 主成分回归方法，建立土壤全氮光谱模型，相关系数高达o 9 3 ，能够准确预测土 壤全氮含量。胡永光等【3 0 】利用土壤漫反射光谱在可见近红外波段的有效信息， 去除与土壤氮无关的干扰信息，以偏最小二乘法聚类，以光谱主成分结合人工神 经网络建立茶园土壤硝态氮模型，达到预测土壤硝态氮含量的目的。徐永明等【3 l 】 利用土壤的室内反射光谱以及变换光谱与土壤的氮含量进行逐步回归建立相关 模型，认为光谱分析快速估算土壤中氮元素含量的潜力。陈鹏飞等【3 2 】以近红外 漫反射光谱，利用傅里叶变换光谱技术和偏最小二乘回归法建立了土壤总氮( n ) 和总磷( p ) 的近红外光谱模型，总n 、总p 的预测相关系数分别为0 9 6 9 8 ，o 8 3 0 7 。 不同类型土壤对光谱吸收差异较大，这也是我们看到不同土壤颜色差异较 大的原因。例如东北黑土与胶园土壤颜色差异明显。土壤养分含量光谱模型，受 到土壤种类的影响较大，不同品种土壤样品掺杂建模难度较大。 1 3 4 光谱分析技术在植物鲜叶上的应用 叶片反射光谱具有典型的光谱特征，其变化特征包含各种物质的含量情况。 通过分析叶片的光谱特征，可以快速测定叶片各种物质含量。刘飞等【3 3 】对油菜 叶片可见近红外光谱进行微分等处理，应用反向传输人工神经网络( b p n n ) 和最 小二乘支持向量机建模方法，实现了油菜叶片中乙酰乳酸合成酶( a l s ) 的快速无 4 损检测。易时来等【3 4 】运用偏最小二乘法分析叶片反射光谱与氮含量之间的关系， 运用偏最小二乘法与内部交叉验证建立的氮含量预测回归模型。梁雪等【3 5 】采用 非线性偏最小二乘法提取光谱主成分并结合人工神经网络( m s c a n n ) 建立冬 小麦叶片叶绿素与反射光谱的定量分析模型，预测精度达到0 9 6 。邢东兴等 3 6 】 通过测定红富士苹果树叶片光谱，通过光谱变换，分别建立氮、磷、钟模型，实 现一次测定光谱估算三个营养元素的目的，预测精度均达到o 8 以上。 1 4 高光谱遥感在作物氮监测上的应用 以光谱分析技术为理论基础的遥感技术，在现代信息技术中占有重要的地 位【3 7 】。随后高分辨率遥感的兴起被誉为2 0 世纪8 0 年代遥感技术的最大成就之 一【3 8 1o 1 4 1 高光谱遥感基本原理 高光谱分辨率遥感( h y p e r s p e c t r a lr e m o t es e n s i n g ，简称高光谱遥感) 是指利用 很多很窄的电磁波波段( 一般光谱分辨率在纳米级) 从感兴趣的物体获取有关光 谱数据，其基础是光谱学【3 9 1 。光谱学起源于2 0 世纪2 0 年代，在分子、原子结 构理论和量子力学基础上发展起来的，是用于识别分子、原子类型及其结构的实 验科学1 3 9 】。2 0 世纪8 0 年代建立起来的成像光谱学，是在电磁波谱的紫外、可见 光、近红和中红外区域获得许多窄而连续的波谱图像数据的技术，这种记录的光 谱数据能用于多学科的研究和应用之中，它奠定了高光谱遥感的技术基础，也是 高光谱遥感建立的标志【4 。高光谱遥感具有光谱分辨率高( 波段宽度 g 2 0 8 ，0 0 1 水平极显著相关) ，其中7 3 0 h m 处反 射率与氮含量相关性最好，达到0 8 4 2 2 极显著相关水平。用该波段反射率与氮 含量建立线性关系如图3 - 9 所示，决定系数r 2 达到0 7 0 9 4 ，表明可以利用橡胶 树叶片7 3 0 n m 波段的反射光谱数据反映橡胶树叶片氮含量信息。 3 2 2 橡胶树叶片氮含量与反射光谱参数的关系 通常单一波段的反射率易受生物量、背景等影响。人们常采用构造光谱参数、 导数方法、三边参数或者采用最j b - - 乘法等的手段来消除背景噪音，以提高光谱 信息的利用能力【5 5 1 。随着遥感技术的迅猛发展，各种植被指数( 表3 2 ) 被广泛 的应用于作物生长状况的监测，其中最为常见的数r v i 、n d v i 以及d v i 等。然 而，有些光谱参数构造复杂，计算冗繁，难以方便地应用于农业遥感实践，而比 值植被指数r v i 构造简单，计算方便，且能有效降低土壤背景和环境噪音，已 广泛应用于植被光谱分析研究。按照相应的光谱参数定义提取橡胶树叶片光谱参 数，并建立回归方程如表3 3 所示。从表中可以看出，部分参数在前人大量工作 的基础上建立的光谱参数一定程度上适合橡胶树叶片氮的估测，但有些光谱参数 根本不能适用于橡胶树叶片氮含量的估测。 1 3 长vpcpilou ti。凹o-p!z姗押，磁 表3 2 常见植被指数的具体计算公式 t a b l e3 - 2f o r m u l af o rc o m m o nv e g e t a t i o ni n d e x e si nt h ep a p e r 1 9 表3 3 ：橡胶树叶片氮含量与植被指数的关系 t a b l e3 3 ：t h ec o r r e l a t i o nb e t w e e nn i t r o g e nc o n t e n t sa n dv e g e t a t i o ni n d e x e si nr u b b e rl e a v e s 3 2 3 橡胶树叶片氮含量与最佳比值植被指数 不同作物反应其生长状况以及营养特征的光谱参数的波段组合不同。高光谱 数据3 5 0 - - 2 5 0 0n n l 范围内的所有可能的比值光谱指数高达1 0 0 多万种，仅在前人 研究的基础上提取相应的参数难免造成某些反映叶片生化组分的特征波段或组 合尚未被充分挖掘和利用。本文通过减量精细采样法，系统构建3 5 0 2 5 0 0n n l 高 光谱范围内，反应橡胶树叶片氮素含量的参数。 首先减量精细采样法的具体步骤可分成2 个模块。首先，采用降采样方法构 建估算橡胶树叶片氮含量的比值光谱指数( r v i ) ，即在3 5 0 - 2 5 0 0n n l 范围内每隔 1 0 个波段读取光谱反射率数据( 波段间隔= 1 0n m ) ，提取两两组合的所有可能波段 构建的植被指数，与叶片氮含量进行相关分析，并绘制相关系数等高线图，根据 颜色进行挑选进行精细采样计算( 波段间隔= l n m ) 的波段，再进行所有两两组合计 算，最后搜索相关系数最高的光谱参数作为反应橡胶树叶片氮素的最优比值指 数。本文通过自编写程序，利用m i c r o s o f to f f i c ee x c e lv b a 进行自动化计算，程 序如下： s u br v i o 。是一个计算各种比值植被指数组合的b v a x = 2 1 8啵段矩阵的下一行 d i mza si n t e g e r 。分子取值的单元格的行数 d i mw a s i n t e g e r 分母取值的单元格的行数 苫 5 工 茜 i - 三 2 盏 妪 鲻 f o rz = 2 1 7t o3s t e p 1 。分子取值的行数是2 1 7 3 f o rw = 2 t o ( z 1 ) s t e p1 分母取值的行数不能超过分子 f o ri = 3t o1 7 5s t e p1 样品( 列号) 从3 到1 7 5 共1 7 2 个样品 c e l l s ( x ，i ) s e l e c t 啵段矩阵的下一行的单元格 c e l l s ( x ，i ) = c e l l s ( z ，i ) c e l l s ( w , i ) 单元格值的计算 n e x ti 同行下一个样品 c e l l s ( x ，1 ) s e l e c t 单元格选择 c e l l s ( x ，1 ) = c e l l s ( z ，2 ) 。单元格x 行，l 列填入分子波段数 c e l l s ( x ，2 ) s e l e c t 单元格选择 c e l l s ( x ，2 ) = c e l l s ( w , 2 ) 单元格x 行，1 列填入分母波段数 x = x + 1 。下一个波段搭配 n e x tw 下一个分母波段类型 n e x tz 下个分子波段类型 e n ds u b 3 5 07 8 01 2 l o1 6 4 02 0 7 0 波长w a v e l e n g t h ( n m ) 图3 1 0 ：决定系数等高线图 f i g 3 - 1 0 ：c o n t o u rm a p o f c o e f f i c i e n t so f d e t e r m i n a t i o nf o rl i n e a rr e l a t i o n s h i p 眨 利用各两两组合的比值植被指数与橡胶树叶片氮含建立相关系数等高线散点图， 效果如图3 1 0 所示。从图中可看出，各两两组合的光谱比值指数与橡胶树叶片 2 l l 5 4 3 2 1 o o o 饥 o o 吼 一舅。秘孵躐譬瞳 加 们 m 的 舫 加 m 挖 7 3 氮含量高相关性的波段出现于1 3 0 0 7 4 0 、7 4 0 ( 3 6 0 - 7 0 0 ) 、5 3 0 5 0 0 、( 7 8 0 , - - - 1 8 0 0 ) 7 4 0 等附近，表3 4 为部分各波段组合的比值植被指数与氮含量相关方程。 其中组合最好的波段为r 1 3 0 0 r 7 4 0 ，相关性达到0 8 5 极显著水平，采用精细采 样寻找最优组合为r 1 2 9 8 r 7 4 0 ，利用该比值植被指数与叶片氮含量建立线性方 程，y = 8 0 7 9 7 x ，5 9 5 8 2 ，r 2 = 0 7 3 9 6 ( 如图3 1 1 ) 表3 4 ：橡胶树叶片氮含量与比值植被指数的关系 t a b l e3 - 4 ：t h ec o r r e l a t i o nb e t w e e nn i t r o g e nc o n t e n t sa n dr v ii nr u b b e rl e a v e s 。_-。_。-_i-。_-_。i_。_-_。i_-。-_-。_-i_-_。-_。_。_。_。-_-。_-_-_ 波长w a v e l e n g t h ( n m )回归方程r e g r e s s i o ne q u a t i o n 决定系数r 2 7 0